בינה מלאכותית יכולה לפתח טיפולים למניעת 'סופר-חיידקים'

חוקרים בקליבלנד קליניק פיתחו מודל של בינה מלאכותית (AI) שיכול לקבוע את השילוב והתזמון הטובים ביותר של תרופות לטיפול בזיהום חיידקי בהתבסס אך ורק על קצב הגדילה של החיידק בתנאים מסוימים. הצוות, בראשות ד"ר ג'ייקוב סקוט ומעבדתו במחלקה התיאורטית להמטולוגיה ואונקולוגיה טרנסלציונית, פרסם לאחרונה את ממצאיו בכתב העת Proceedings of the National Academy of Sciences.

אנטיביוטיקה זוכה להארכת תוחלת החיים הממוצעת בארצות הברית בכמעט עשור. הטיפולים הפחיתו את שיעורי התמותה מבעיות בריאותיות שאנו מחשיבים כיום כקלות, כמו חתכים ופציעות. אבל אנטיביוטיקה כבר לא עובדת כמו פעם, בין היתר משום שהיא נמצאת בשימוש כה נרחב.

"ארגוני בריאות עולמיים מסכימים שאנו נכנסים לעידן פוסט-אנטיביוטי", מסביר ד"ר סקוט. "אם לא נשנה את האופן שבו אנו נלחמים בחיידקים, עד 2050 יותר אנשים ימותו מזיהומים עמידים לאנטיביוטיקה מאשר מסרטן."

חיידקים מתרבים במהירות ומייצרים צאצאים מוטנטים. שימוש יתר באנטיביוטיקה נותן לחיידקים הזדמנות לפתח מוטציות עמידות לטיפול. עם הזמן, אנטיביוטיקה הורגת את כל החיידקים הרגישים, ומשאירה רק את המוטנטים החזקים יותר שאנטיביוטיקה אינה יכולה להרוג.

אסטרטגיה אחת שבה משתמשים רופאים כדי לייעל טיפולים בזיהומים חיידקיים נקראת רוטציה של אנטיביוטיקה. עובדי שירותי בריאות מחליפים בין אנטיביוטיקה שונה לאורך זמן. מעבר בין תרופות שונות נותן לחיידקים פחות זמן לפתח עמידות לכל סוג אנטיביוטיקה. רוטציה עשויה אף להפוך חיידקים לרגישים יותר לאנטיביוטיקה אחרת.

"רוטציית תרופות מראה פוטנציאל בטיפול יעיל במחלות", אומר המחבר הראשון של המחקר וסטודנט לרפואה, PhD, דייוויס וויבר. "הבעיה היא שאנחנו לא יודעים את הדרך הטובה ביותר לעשות זאת. אין סטנדרטים לאיזו אנטיביוטיקה לתת, למשך כמה זמן, או באיזה סדר."

ד"ר ג'ף מלטאס, חוקר פוסט-דוקטורט בקליבלנד קליניק, אחד ממחברי המחקר, משתמש במודלים ממוחשבים כדי לחזות כיצד עמידותם של חיידקים לאנטיביוטיקה אחת הופכת אותם לחלשים יותר מאלה של אחרים. הוא שיתף פעולה עם ד"ר וויבר כדי לבדוק האם מודלים מבוססי נתונים יכולים לחזות דפוסי רוטציה של תרופות שממזערים את עמידותם לאנטיביוטיקה וממקסמים את הרגישות, למרות האופי האקראי של התפתחות החיידקים.

ד"ר וויבר הוביל את יישום למידת חיזוקים במודל רוטציית תרופות, המלמד מחשב ללמוד מטעויותיו והצלחותיו כדי לקבוע את האסטרטגיה הטובה ביותר להשלמת משימה. המחקר הוא אחד הראשונים שהחיל למידת חיזוקים על תוכניות רוטציית אנטיביוטיקה, לדברי ד"ר וויבר וד"ר מלטאס.

סימולציה אבולוציונית סכמטית וגישות אופטימיזציה שנבדקו. מקור: דיוני האקדמיה הלאומית למדעים (2024). DOI: 10.1073/pnas.2303165121

"למידה באמצעות חיזוק היא גישה אידיאלית משום שצריך לדעת רק כמה מהר החיידקים גדלים, וזה יחסית קל לקבוע", מסביר ד"ר וויבר. "יש גם מקום לשונות ולטעויות אנושיות. אין צורך למדוד את קצב הגדילה עד למילישנייה בכל פעם."

הבינה המלאכותית של צוות המחקר הצליחה להבין את תוכניות הרוטציה היעילות ביותר לטיפול בזנים מרובים של E. coli ולמניעת עמידות לתרופות. המחקר מראה כי בינה מלאכותית יכולה לתמוך בקבלת החלטות מורכבות, כגון חישוב לוחות זמנים לטיפול אנטיביוטי, אומר ד"ר מלטאס.

ד"ר וויבר מסביר שמעבר לניהול זיהום אצל מטופל בודד, מודל הבינה המלאכותית של הצוות יכול להשפיע על האופן שבו בתי חולים מטפלים בזיהומים באופן כללי. הוא וצוות המחקר שלו עובדים גם על הרחבת עבודתם מעבר לזיהומים חיידקיים למחלות קטלניות אחרות.

"הרעיון הזה אינו מוגבל לחיידקים, ניתן ליישם אותו על כל עצם שיכול לפתח עמידות לטיפול", הוא אומר. "בעתיד, אנו מאמינים שניתן יהיה להשתמש בסוגים אלה של בינה מלאכותית לטיפול בסרטן עמיד לטיפול."